エンタープライズ統合

エンタープライズ環境でMCPサーバーを構築する際には、既存のAIプラットフォームやサービスと統合する必要がよくあります。このセクションでは、MCPをAzure OpenAIやMicrosoft AI Foundryなどのエンタープライズシステムと統合し、高度なAI機能とツールオーケストレーションを可能にする方法について説明します。

はじめに

このレッスンでは、Model Context Protocol（MCP）をエンタープライズAIシステム、特にAzure OpenAIとMicrosoft AI Foundryと統合する方法を学びます。これらの統合により、強力なAIモデルとツールを活用しつつ、MCPの柔軟性と拡張性を維持できます。

学習目標

このレッスンの終了時には、以下ができるようになります：

MCPをAzure OpenAIと統合して、そのAI機能を利用する。
Azure OpenAIとともにMCPのツールオーケストレーションを実装する。
Microsoft AI FoundryとMCPを組み合わせて高度なAIエージェント機能を実現する。
Azure Machine Learning（ML）を活用してMLパイプラインを実行し、モデルをMCPツールとして登録する。

Azure OpenAI統合

Azure OpenAIはGPT-4などの強力なAIモデルへのアクセスを提供します。MCPをAzure OpenAIと統合することで、これらのモデルを利用しつつ、MCPのツールオーケストレーションの柔軟性を維持できます。

C# 実装

このコードスニペットでは、Azure OpenAI SDKを使用してMCPとAzure OpenAIを統合する方法を示します。

// .NET Azure OpenAI Integration
using Microsoft.Mcp.Client;
using Azure.AI.OpenAI;
using Microsoft.Extensions.Configuration;
using System.Threading.Tasks;

namespace EnterpriseIntegration
{
    public class AzureOpenAiMcpClient
    {
        private readonly string _endpoint;
        private readonly string _apiKey;
        private readonly string _deploymentName;
        
        public AzureOpenAiMcpClient(IConfiguration config)
        {
            _endpoint = config["AzureOpenAI:Endpoint"];
            _apiKey = config["AzureOpenAI:ApiKey"];
            _deploymentName = config["AzureOpenAI:DeploymentName"];
        }
        
        public async Task<string> GetCompletionWithToolsAsync(string prompt, params string[] allowedTools)
        {
            // Create OpenAI client
            var client = new OpenAIClient(new Uri(_endpoint), new AzureKeyCredential(_apiKey));
            
            // Create completion options with tools
            var completionOptions = new ChatCompletionsOptions
            {
                DeploymentName = _deploymentName,
                Messages = { new ChatMessage(ChatRole.User, prompt) },
                Temperature = 0.7f,
                MaxTokens = 800
            };
            
            // Add tool definitions
            foreach (var tool in allowedTools)
            {
                completionOptions.Tools.Add(new ChatCompletionsFunctionToolDefinition
                {
                    Name = tool,
                    // In a real implementation, you'd add the tool schema here
                });
            }
            
            // Get completion response
            var response = await client.GetChatCompletionsAsync(completionOptions);
            
            // Handle tool calls in the response
            foreach (var toolCall in response.Value.Choices[0].Message.ToolCalls)
            {
                // Implementation to handle Azure OpenAI tool calls with MCP
                // ...
            }
            
            return response.Value.Choices[0].Message.Content;
        }
    }
}

前述のコードでは以下を行っています：

エンドポイント、デプロイメント名、APIキーを使ってAzure OpenAIクライアントを構成しました。
ツールサポート付きの補完を取得するための GetCompletionWithToolsAsync メソッドを作成しました。
応答内のツール呼び出しを処理しました。

実際のツール処理ロジックは、ご自身のMCPサーバーのセットアップに基づいて実装することをお勧めします。

Microsoft Foundry統合

Microsoft FoundryはAIエージェントの構築および展開のためのプラットフォームを提供します。MCPをMicrosoft Foundryと統合することで、その機能を活用しつつ、MCPの柔軟性を維持できます。

以下のコードでは、リクエストを処理し、MCPを用いてツール呼び出しを処理するAgent統合を開発しています。

Java 実装

// Java AI Foundry エージェントの統合
package com.example.mcp.enterprise;

import com.microsoft.aifoundry.AgentClient;
import com.microsoft.aifoundry.AgentToolResponse;
import com.microsoft.aifoundry.models.AgentRequest;
import com.microsoft.aifoundry.models.AgentResponse;
import com.mcp.client.McpClient;
import com.mcp.tools.ToolRequest;
import com.mcp.tools.ToolResponse;

public class AIFoundryMcpBridge {
    private final AgentClient agentClient;
    private final McpClient mcpClient;
    
    public AIFoundryMcpBridge(String aiFoundryEndpoint, String mcpServerUrl) {
        this.agentClient = new AgentClient(aiFoundryEndpoint);
        this.mcpClient = new McpClient.Builder()
            .setServerUrl(mcpServerUrl)
            .build();
    }
    
    public AgentResponse processAgentRequest(AgentRequest request) {
        // AI Foundry エージェントのリクエストを処理する
        AgentResponse initialResponse = agentClient.processRequest(request);
        
        // エージェントがツールの使用を要求したか確認する
        if (initialResponse.getToolCalls() != null && !initialResponse.getToolCalls().isEmpty()) {
            // 各ツール呼び出しを適切な MCP ツールにルーティングする
            for (AgentToolCall toolCall : initialResponse.getToolCalls()) {
                String toolName = toolCall.getName();
                Map<String, Object> parameters = toolCall.getArguments();
                
                // MCP を使ってツールを実行する
                ToolResponse mcpResponse = mcpClient.executeTool(toolName, parameters);
                
                // AI Foundry 用のツールレスポンスを作成する
                AgentToolResponse toolResponse = new AgentToolResponse(
                    toolCall.getId(),
                    mcpResponse.getResult()
                );
                
                // ツールレスポンスをエージェントに返送する
                initialResponse = agentClient.submitToolResponse(
                    request.getConversationId(), 
                    toolResponse
                );
            }
        }
        
        return initialResponse;
    }
}

前述のコードでは以下を行いました：

AI FoundryとMCPの両方と統合する AIFoundryMcpBridge クラスを作成しました。
AI Foundryエージェントのリクエストを処理する processAgentRequest メソッドを実装しました。
MCPクライアントを通じてツール呼び出しを実行し、その結果をAI Foundryエージェントに返すツール呼び出し処理を実装しました。

MCPとAzure MLの統合

MCPをAzure Machine Learning（ML）と統合することで、Azureの強力なML機能を活用しつつ、MCPの柔軟性を保持できます。この統合はMLパイプラインの実行、モデルのツールとしての登録、計算リソースの管理に利用可能です。

Python 実装

# Python Azure AI 統合
from mcp_client import McpClient
from azure.ai.ml import MLClient
from azure.identity import DefaultAzureCredential
from azure.ai.ml.entities import Environment, AmlCompute
import os
import asyncio

class EnterpriseAiIntegration:
    def __init__(self, mcp_server_url, subscription_id, resource_group, workspace_name):
        # MCP クライアントを設定する
        self.mcp_client = McpClient(server_url=mcp_server_url)
        
        # Azure ML クライアントを設定する
        self.credential = DefaultAzureCredential()
        self.ml_client = MLClient(
            self.credential,
            subscription_id,
            resource_group,
            workspace_name
        )
    
    async def execute_ml_pipeline(self, pipeline_name, input_data):
        """Executes an ML pipeline in Azure ML"""
        # まず MCP ツールを使って入力データを処理する
        processed_data = await self.mcp_client.execute_tool(
            "dataPreprocessor",
            {
                "data": input_data,
                "operations": ["normalize", "clean", "transform"]
            }
        )
        
        # パイプラインを Azure ML に送信する
        pipeline_job = self.ml_client.jobs.create_or_update(
            entity={
                "name": pipeline_name,
                "display_name": f"MCP-triggered {pipeline_name}",
                "experiment_name": "mcp-integration",
                "inputs": {
                    "processed_data": processed_data.result
                }
            }
        )
        
        # ジョブ情報を返す
        return {
            "job_id": pipeline_job.id,
            "status": pipeline_job.status,
            "creation_time": pipeline_job.creation_context.created_at
        }
    
    async def register_ml_model_as_tool(self, model_name, model_version="latest"):
        """Registers an Azure ML model as an MCP tool"""
        # モデルの詳細を取得する
        if model_version == "latest":
            model = self.ml_client.models.get(name=model_name, label="latest")
        else:
            model = self.ml_client.models.get(name=model_name, version=model_version)
        
        # デプロイメント環境を作成する
        env = Environment(
            name="mcp-model-env",
            conda_file="./environments/inference-env.yml"
        )
        
        # コンピューティングを設定する
        compute = self.ml_client.compute.get("mcp-inference")
        
        # モデルをオンラインエンドポイントとしてデプロイする
        deployment = self.ml_client.online_deployments.create_or_update(
            endpoint_name=f"mcp-{model_name}",
            deployment={
                "name": f"mcp-{model_name}-deployment",
                "model": model.id,
                "environment": env,
                "compute": compute,
                "scale_settings": {
                    "scale_type": "auto",
                    "min_instances": 1,
                    "max_instances": 3
                }
            }
        )
        
        # モデルスキーマに基づいて MCP ツールスキーマを作成する
        tool_schema = {
            "type": "object",
            "properties": {},
            "required": []
        }
        
        # モデルスキーマに基づいて入力プロパティを追加する
        for input_name, input_spec in model.signature.inputs.items():
            tool_schema["properties"][input_name] = {
                "type": self._map_ml_type_to_json_type(input_spec.type)
            }
            tool_schema["required"].append(input_name)
        
        # MCP ツールとして登録する
        # 実際の実装では、エンドポイントを呼び出すツールを作成します
        return {
            "model_name": model_name,
            "model_version": model.version,
            "endpoint": deployment.endpoint_uri,
            "tool_schema": tool_schema
        }
    
    def _map_ml_type_to_json_type(self, ml_type):
        """Maps ML data types to JSON schema types"""
        mapping = {
            "float": "number",
            "int": "integer",
            "bool": "boolean",
            "str": "string",
            "object": "object",
            "array": "array"
        }
        return mapping.get(ml_type, "string")